第1个回答 2022-12-11
R^2表示的是 回归模型的说明程度，在横断资料数据（Cross Sectional Data 非时间序列数据）里面，R^2越高 就表示回归能够说明的数据多。 但是R^2会随着数据的不断增加而增加，即使加入的数据和变量于回归的依存变量没关系。 R^2也会增加。\r\n \r\n因为adjust R^2（调整R^2）则作为更加精确的标准出现 \r\nR^2=1-[(1/(T-K))*∑e^2]/[(1/(T-1))*∑(y-y^)]. T表示整体样本数，K表示变量数，一般的R^2是没有T-K和T-1这两项的。 当增加K的时候T会增加，T-1变大后，分母变小，分数部分变大，通过加上T-K和T-1来抑制R^2的增长，防止加入没有关联的变量。\r\n调整R^2的函数像是抛物线，选择最大化的点是最好的。因为介于其对不重要变量的抑制作用，它成为了比R^2更好的工具。